基于区域卷积神经网络的多目标跟踪算法

深度学习在目标识别、场景分割及图像内容理解上取得了不错的研究成果,但在目标跟踪的应用还较少。提出区域选择算法,先产生原始候选区域,再计算其中邻近区域对的颜色、纹理相似性,对原始候选区域进行过滤,在此基础上,将最终的候选区域作为基于区域的卷积神经网络的输入,通过深度学习的方法提取目标区域的特征,并将提取的特征通过线性支持向量机进行相似度判断,最终计算出跟踪目标的位置信息,同时,利用采样算法进行跟踪目标正负样本的采样,更新卷积神经网络和支持向量机。实验结果表明,基于区域的卷积神经网络算法在目标跟踪的准确率及算法的鲁棒性两方面均有不错的表现。     

基于多路融合卷积神经网络的网购商品情感分类

通过提出一种多路融合卷积神经网络(multi-mixed convolutional neural network,MMCNN)对网购商品评论数据进行文本情感分类。采用skip-gram模型进行词向量的训练,并用训练好的向量表示评论数据。针对评论数据长短不一的情况,提出了循环词向量填充和随机词向量填充算法,有助于提升模型分类的准确率。针对传统卷积神经网络特征提取方式单一的问题,将多路卷积特征和池化特征在全连接层进行了特征融合,以此提升网络的文本分类效果。选择京东网站上45 000条婴儿奶粉的评论数据进行试验,并与支持向量机、最大熵模型、朴素贝叶斯等传统机器学习方法以及经典卷积神经网络方法进行对比。试验结果表明,提出的多路融合卷积神经网络具有较高的分类正确率。     

融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类

针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征,然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征,最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明,该方法的分类准确率达到82.3%,较FV-SIFT算法在分类准确率上提高了15.4%。     

改进型VGG算法对小样本路面破损的分类识别

为解决小样本沥青路面破损图片在分类识别中存在的识别精度差的问题,选择常见的5种路面破损类型,提出了一种基于VGG的浅层深度卷积神经网络模型的路面破损图像分类方法. 首先,将采集到的图像集进行预处理并自制成数据集. 其次,设置三种不同的批处理量尺寸和两种不同的网络层数作训练,选择最适合该网络模型的尺寸,得到浅层VGG模型. 将处理后的路面图片直接作为模型的输入,作模型的训练、验证及测试. 最后,将模型试验结果与支持向量机及目前主流的深度卷积神经网络模型的试验结果进行对比. 结果表明：浅层VGG模型在训练集、验证集及测试集的分类准确率接近,对路面破损图像的分类识别准确率都达到98%以上,表现出模型良好的识别能力;与支持向量机及目前主流的网络模型试验结果相比,浅层VGG网络模型训练耗时少且泛化能力更强,模型提取到的特征更丰富,可获得更加全局的信息. 可见,浅层VGG模型在对小规模图像的分类识别中具有显著优势,同时相比其他方法更具鲁棒性,结果更精确.     

基于深度学习的肝硬化识别

为提高医学影像的识别准确率和效率,减少人为主观因素造成的误差,采用深度学习的方法自动识别正常肝与肝硬化影像,并针对传统卷积神经网络结构复杂,训练参数多和效率低等问题,使用基于卷积神经网络中的一种轻量级模型结构SqueezeNet;并利用迁移学习的方法,通过预训练和微调参数,可以避免数量集过少时而产生的过拟合题,并且实验结果取得了较好的分类效果;首次提出使用迁移学习后的轻量级卷积神经网络与传统的模式识别算法支持向量机相结合,实现对医学图像的分类,最终实验准确率进一步提高。     

基于肤色特征和卷积神经网络的手势识别方法

传统手势识别方法需要人工选取特征,选取的特征往往很难适应手势的多变性,从而极大地影响了手势的识别率;提出了一种基于肤色特征和卷积神经网络的手势识别方法;首先采用椭圆肤色模型对复杂背景下的手势样本进行分割,将分割出的手势区域进行二值化和归一化处理,然后构建了一种卷积神经网络对处理过的手势样本进行迭代训练,提取出各类手势关键的高维特征,进而得出手势识别模型;通过该方法训练出的手势模型能够自主地对给定的手势图像进行特征提取和手势分类;实验表明:该手势识别方法在测试集上具有较高的识别率;在现实场景的测试中,该方法也取得了良好的手势识别效果,且实时性和鲁棒性较好。     

基于计算机视觉技术和支持向量机的手势识别算法研究

针对现有的手势识别方法在复杂环境中识别效率不理想的情况，提出一种双通道卷积神经网络模型，该模型同时采用灰度世界算法和离散小波变换对输入数据进行预处理，减少照变化对图像的影响并提高识别效率和模型稳定性。然后通过高维特征融合模块将提取的图像信息进行融合，再利用帝国竞争算法对支持向量机分类器进行优化，提高分类效果。实验结果显示，在实验环境中，该模型的平均识别率达95%,收敛速度快，效率高。经过消融实验对比，性能比基准模型提高4%以上。在实际测试中，对于简单手势的识别率均在90%以上，对于复杂收手势的识别率在80%以上。     

基于卷积神经网络的壁面清洗机器人障碍物检测识别算法

结合机器人的工作原理以及卷积神经网络(CNN)在图像分类中的应用,提出了一种基于卷积神经网络的壁面障碍物检测识别算法.首先,以壁面障碍物准确识别为目标,构建壁面障碍物图像库;然后,通过对VGG-16网络简化后进行优化,得到适合壁面障碍物准确识别的卷积神经网络模型.在此基础上,设计该网络由输入层、4层卷积层、2层池化层、1层全连接层以及输出层组成,进一步利用3×3卷积核对训练样本进行卷积操作,并将所获取的特征图以2×2领域进行池化操作.重复上述操作后,通过学习获取并确定网络模型参数,得到最佳网络模型.实验结果表明,障碍物的识别准确率可达99.0%,具有良好的识别能力.     

基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率，通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数，并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上，提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号，并引用Nina Pro DB2公开数据集进行对比。实验结果表明，无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度，并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%，相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%，并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s，因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

基于深度信念卷积神经网络的图像识别与分类

针对基于卷积神经网络的图像识别采用随机初始化网络权值的方法易收敛到局部最优值的问题,该文提出了一种结合无监督和有监督学习的网络权值预训练算法。融合零成分分析白化与深度信念网络预学习得到的特征,对卷积神经网络权值进行初始化;通过卷积、池化等操作,对训练样本进行特征提取并使用全连接网络对特征进行分类;计算分类损失函数并优化网络参数。在公开图像数据库中进行了大量实验,与公开最佳算法比较,该算法在MNIST中的识别错误率降低了0.1%,在Caltech101中的分类准确率提升了0.56%,验证了该算法优于现有算法。     

基于多路卷积神经网络的手势识别方法

为提高利用表面肌电信号(sEMG:Surface Electromyography)进行手势识别的准确率并解决其受不同提取特征影响的问题,提出了一种基于多路卷积神经网络(MB-CNN:Multi-Branch Convolutional Neural Networks)的手势识别方法.首先,使用MYO手环采集8种不同手势的sEMG信号;然后,利用滑动窗口法对sEMG信号进行活动段提取,生成大小为64×8的原始训练样本;其次,作为对比实验,提取7种不同的时域和频域特征,利用机器学习算法进行手势识别.最后,在避免常规特征提取的情况下,构建了一种多路卷积神经网络模型用于手势识别,测试集上准确率达97.89％.实验表明,针对手势识别问题,该方法高效可行.     

用聚类支持向量机模型监测环保设备运行状态

针对环保设备多状态监测与识别问题,提出了一种基于多分类聚类支持向量机的分类算法模型.该算法模型充分利用多个相关联被监测设备及其状态属性特征,采用神经网络聚类分析获得关联特征的聚类子空间,再对聚类子空间构造二叉树支持向量机进行多分类识别.该算法模型避免了盲目分类,与单纯的支持向量机算法比较具有更好的分类性能.通过对日本大晃船用污水处理装置实测样本的训练、检验表明,该算法具有98%以上的分类识别率.     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

面向遥感图像的小样本目标检测改进算法研究

针对传统的遥感图像目标检测中面临的小样本以及目标样本分布不均衡等问题, 提出了一种基于改进的卷积神经网络(convolutional neural network, CNN)的遥感图像小样本目标检测算法. 首先, 该算法利用 $K$ 近邻($K$-nearest neighbor, kNN)回归分别对每个点和卷积层提取特征构建局部邻域; 同时, 通过最大池化聚合所有局部特征进行全局特征表示; 最后, 采用全连接层与缩放指数型线性单元(scaled expected linear unit, SELU)激活函数计算各类别对应的概率并分类. 实验结果表明, 该算法能够更有效地融合局部特征, 提高了遥感图像小样本目标识别与检测的精度, 同时保持信息的非局部扩散.     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

基于小数据集下贝叶斯网络建模的面部表情识别

针对面部表情识别过程中获得的特征样本稀少的问题,提出了一种基于小数据集下贝叶斯网络(BN)建模的面部表情识别方法。首先提取面部表情图像的几何特征和HOG特征,经特征融合和归一化等处理构成动作单元(AU)标签样本集;其次提出了用于面部表情识别的BN结构,并将定性专家经验转化为BN条件概率之间的约束集合,随后引入凸优化最大化求解完成BN模型参数的估算;最后利用联合树推理算法识别出面部表情。实验结果表明:在小数据集条件下,与支持向量机(SVM)、Adaboost和卷积神经网络(CNN)等人脸表情分类方法相比,该方法能够取得更准确的面部表情识别结果。     

空瓶的智能检测算法研究

研究了针对空瓶特点如何设计空瓶的图像采集系统及其从空瓶图像中提取特征的方法．首先提出采用多特征综合的专家系统以适应高速检测的需要．其后又研究了基于遗传支持向量机的决策算法,提出采用遗传算法根据分类准确率来优化支持向量机的参数,以提高分类决策的性能．通过与模糊神经网络的实验比较表明,采用专家决策算法检测速度快;基于遗传支持向量机决策算法的准确率较高,达到94％以上,并具有更好的推广性能。     

基于特征联合和偏最小二乘降维的手势识别

针对以往手势识别研究中更关注识别率而弱化实时性的情况,首次将偏最小二乘降维思想引入手势识别领域,提出一种基于特征联合和偏最小二乘降维的手势识别方法。首先进行手势分割,在此基础上提取手势样本的梯度方向直方图和局部二值模式特征,并将二者进行联合。然后采用偏最小二乘法对手势联合特征进行降维,并将降维后的手势训练样本特征输入到支持向量机中进行分类训练。最后用训练好的支持向量机对降维后的手势测试样本进行识别测试。基于Jochen Triesch手势库及自制手势库的实验结果表明,同已有方法相比,本文所提方法在取得较高手势识别率的同时也取得了较好的实时性。     

融合卷积神经网络与Adaboost算法的病害松树识别

针对无人机平台获取的高分辨率可见光松树图像,提出一种结合深度卷积神经网络和Adaboost算法的病害松树识别方法,解决传统机器学习方法识别病害松树精确度不高问题.首先利用卷积神经网络训练病害松树模型再利用训练模型将地物中的田地、裸土及黑影等复杂信息剔除掉,提取病害松树、健康松树及黑影区域的颜色和纹理特征,依据提取的特征在剔除地物干扰项后的决策层使用Adaboost分类器进行目标识别.实验结果表明,该方法相较传统的K-means聚类、支持向量机、Adaboost算法、BP神经网络、VGG(visual geometry group)算法等在识别精确度方面有显著提高.